湖南大学研究者提出一种精度更高的牵引负荷超短期预测方法

随着我国电气化铁路网络的迅猛发展，以高铁动车为代表的铁路运输已经成为我国运输系统的重要组成部分。随着“网-源-储-车”协同供能技术的发展，系统内部的能量管理与协同控制部分亟须源荷两侧精确的秒级超短期预测提供技术支撑。

为了保障电网的安全稳定运行和日前与实时的经济调度，铁路部门需向国家电网公司上报各牵引变电站购电量的预测值。若实际购电量超出预测误差阈值，国家电网公司将在日内增加电费结算价格，造成轨道交通系统整体运营成本增加。同时，精准地牵引负荷超短期预测也可以为轨道交通电能质量分析、牵引变电站的优化调度、牵引变电站选址定容等研究提供数据源侧的支持。因此，亟须开展电气化铁路牵引负荷（简称为“牵引负荷”）精确预测课题研究。

图1 牵引供电系统结构

目前已有的针对牵引负荷预测的研究主要分为两类：一类是基于牵引计算和供电计算的仿真；另一类是基于实测的负荷数据和列车运行图。牵引负荷预测的相关研究工作方兴未艾。同时，数据驱动的崛起也可为牵引负荷预测的发展提供了有力支撑。

然而，基于数据驱动的牵引负荷预测研究尚处于起步阶段，并无充足的示范性研究作为技术支持。对此，可在较为成熟的电力负荷预测领域中进行合理借鉴，有效迁移。在电力系统负荷预测领域，已取得了较多的研究成果。考虑到牵引负荷波动大、突变性和动态特性强等特性与“网-源-储-车”协同供能体系下能量管理系统的超短期负荷预测需求，相关研究方法无法直接应用于牵引负荷预测中。

展开全文

针对电气化铁路牵引负荷难以预测的问题，湖南大学电气与信息工程学院的钟吴君、李培强、涂春鸣，构建了一种由集合经验模态分解（EEMD）、改进型卷积块注意力模块（CBAM）和双向长短期神经网络（BiLSTM）组合成的EEMD-CBAM-BILSTM预测方法，有效地降低了牵引负荷超短期预测误差与计算成本。

图2 本文牵引负荷预测框架流程

图3 本文预测框架与传统“分解-预测”框架结构对比

在方法层面，研究者创新性地将深度学习方法应用于牵引负荷预测领域，相较于已有预测方法来说，在数据端仅需要历史负荷数据作为输入，无需车辆运行图、车辆信息、铁路信息等其他输入，适用于重载铁路等特殊预测场景。

在技术层面，将集合经验模态分解、改进型卷积块注意力模块、双向长短期神经网络、贝叶斯优化（BO）等技术有机结合起来，突出各技术优势，有效地解决了现有研究无法深入地捕捉负荷的实时动态特性的缺陷，从模型端提升牵引负荷预测精度。

在架构层面，他们提出新型预测架构，相较于传统“分解-预测”型预测架构，大幅降低了计算成本，更好地适应超短期牵引负荷预测任务，从而满足“网-源-储-车”能量管理系统高时间分辨率的预测数据需求。

研究者指出，该预测框架集合了EEMD、CBAM、CNN、BO和BiLSTM技术的优势和特点，在实测数据下的仿真实验结果表明，该预测框架在各预测步长下均能显著地提升电气化铁路牵引负荷超短期预测精度，具有良好的工程应用价值。

本工作成果发表在2024年第21期《电工技术学报》，论文标题为“基于EEMD-CBAM-BiLSTM的牵引负荷超短期预测”。本课题得到国家重点研发计划项目和国家自然科学基金项目的支持。